Existe una infraestructura de takedown funcional para contenido adulto pirateado — y no atrapa lo que está reemplazando a la piratería. MIT Technology Review reporta que Takedown Piracy ha huellado más de 500 millones de videos y retirado unos 130 millones solo de la búsqueda de Google. Ese pipeline trabaja por match de huella contra fuentes conocidas. Las copias modificadas por IA de los mismos performers — ediciones pequeñas que borran un lunar o desplazan proporciones — se escapan del fingerprinting porque el archivo nuevo ya no coincide con el original. La infraestructura que existe es la de un problema que se está reduciendo.
La clase de contenido no es face-swap deepfake — es corporal. Los cuerpos reales de los performers se usan como datos de entrenamiento y luego se regeneran con alteraciones menores. Investigadores citados en el artículo estiman que más de 10 000 terabytes de contenido adulto en línea probablemente está en corpus de entrenamiento de IA actuales, aunque señalan esto como una "suposición razonable" más que una cifra medida (ningún laboratorio importante publica auditorías de filtrado de corpus a este nivel de granularidad). Las herramientas nombradas incluyen las apps nudify Crushmate y Grok, y la app de sexting Mynx, donde estafadores desplegaron deepfakes IA de performers identificados para defraudar a usuarios pagos. Spicey AI — ahora desaparecida — intentó formalizar el problema al revés: contratos donde los performers cedían la propiedad de sus parecidos IA.
La capa legal se está formando pero es desigual. La Take It Down Act federal criminaliza la publicación de imágenes íntimas no consensuales, lo cual son dientes que antes no existían. Abogados de performers citados marcan el riesgo de doble uso: el mismo estatuto puede ser instrumentalizado contra contenido de performance consensual bajo un aviso de takedown falso. Las cadenas DMCA colapsan por completo cuando los hosts operan desde Rusia, las Seychelles o los Países Bajos. Para las plataformas de generación de imagen y video que se envían hoy, esto importa en dos capas: los corpus de preentrenamiento casi seguramente contienen contenido adulto scrapeado salvo que se haya hecho un pase de filtrado deliberado (y pocos laboratorios documentan uno), y el problema de detección downstream — identificar que una salida generada es un body-deepfake de una persona real — no se resuelve con el tooling de fingerprinting existente.
Si envías generación de imagen o video, la implicación práctica es que no puedes apoyarte en el ecosistema de takedown existente para atrapar outputs derivados de tu modelo. La investigación sobre "embodied harms" citada en el artículo distingue dismorfia corporal y autocensura como efectos separados de la clase de trauma del face-deepfake — mecanismo distinto, mitigación distinta. El marco legal seguirá moviéndose; la brecha de detección técnica no se cerrará sola.